近年、気候変動および海洋汚染の進行により、サンゴ礁の劣化が顕著に進んでおり、海洋生態系をモニタリングするための自動化されたサンゴ検出技術の導入が急務となっている。しかし、水中におけるサンゴ検出は、低コントラスト画像、複雑なサンゴ構造、密集したサンゴ成長といった特有の課題を抱えており、一般的な物体検出アルゴリズムの効果を制限している。こうした課題に対応するため、本研究ではYOLOアーキテクチャを基盤とするソフトサンゴ検出モデル「SCoralDet」を提案する。まず、マルチスケールのサンゴ特徴を効果的に捉えるため、マルチパス融合ブロック（MPFB）を導入し、不均一な照明条件や画像のぼやけに対して高いロバスト性を実現した。さらに、再パラメータ化（reparameterization）を適用することで、推論効率の向上を図った。次に、GSConvおよびVoV-GSCSPといった軽量構成要素を統合することで、計算負荷を低減しつつ、性能の低下を抑制した。また、アダプティブ・パワー変換ラベル割当戦略を提案し、アノテーションのアライメント指標を動的に調整することで、モデルが高品質で整合性の高い予測を優先するように誘導した。さらに、ソフトラベルとソフト中央領域損失（soft central region loss）を組み合わせることで、予測の精度と整合性を高めている。SCoralDetはSoft-Coralデータセット上で評価され、推論遅延は9.52ms、mAP50は81.9を達成した。これはYOLOv5（79.9）、YOLOv6（79.4）、YOLOv8（79.5）、YOLOv9（78.3）、YOLOv10（79.5）を上回る性能であり、水中サンゴ検出タスクにおけるSCoralDetの有効性と実用性を実証している。